다공성 재료—자연적이거나 인공적인—는 광물 탐험 및 타이트 셰일에서의 탄화수소 회수와 같은 과정을 지배하는 이중 기공 네트워크 구조를 종종 나타낸다. 이중 다공성/투과성(double porosity/permeability, DPP) 수학 모델은 상호작용하는 두 기 pore 네트워크를 통한 비압축성 유체 흐름과 네트워크 간 질량 교환을 기술한다. 수치 방법에서 상당한 진전이 있었음에도, 신속한 예측, 데이터 동화, 그리고 신뢰할 수 있는 역해석을 가능하게 하는 계산 프레임워크에 대한 필요가 남아 있다. 이를 위해 DPP 계의 순방향 및 역모델링을 위한 물리 정보 신경망(PINN) 프레임워크를 제시한다. 제안된 접근법은 지배 방정식을 혼합 형식으로, 경계 조건과 함께, 손실 함수에 직접 인코딩하며, 각 항의 기여를 균형시키기 위한 적응형 가중치 전략을 사용한다. 프레임워크의 핵심 특징으로는 적응형 가중치 조정, 동적 collocation point 선택, 이중 기공 네트워크의 결합 거동을 효율적으로 포착하기 위한 공유 trunk 신경망 구조의 사용이 포함된다. 이 방법은 본질적으로 mesh-free이며, 다공성 매체에서 흔한 복잡한 기하에 잘 맞다. 층상 영역에서 해 필드의 불연속성을, 고전적 유한요소 formulation에서 흔히 관찰되는 spurious oscillation을 도입하지 않고 정확히 포착한다. 중요하게, 이 프레임워크는 역해석에 잘 적합하여, DPP 모델의 질량 전달 계수와 같이 핵심 물리량을 직접 측정하기 어려운 시나리오에서 견고한 매개변수 식별을 가능하게 한다. 또한 방법의 안정성, 정확도, 신뢰성을 엄밀히 평가하기 위한 체계적인 수렴 분석을 제공한다. 접근법의 효과와 계산상 이점은 일련의 대표적인 수치 실험을 통해 입증된다.
AInstein 신경망 아키텍처를 로런츠(Lorentzian) 부호로 확장하여 물리 정보 신경망(PINN) 방식으로 최대 확장 슈바르츠실트(Schwarzschild) 기하학을 복원하고, 페트로프 유형 I(Petrov type I) 해 탐색으로 일반화함으로써 갇힌 내부를 지닌 잠재적 신규 로런츠 아인슈타인 계량을 발견한다.
고주파 편미분방정식(PDE) 풀이 시 신경망의 스펙트럴 편향(spectral bias) 문제를 해결하기 위해, 가우시안 가중치 분포의 분산을 고정한 채 평균만 이동시키는 주파수 시프트(frequency shift) 메커니즘 기반의 FS-PIELM 프레임워크를 제안한다. Helmholtz, wave, Poisson 등 6가지 방정식 유형을 포함한 7개 벤치마크 실험에서 기존 PIELM 변형 대비 최대 5 오더 수준의 정확도 향상을 달성하면서도 단일 선형 풀이만으로 계산 효율성을 유지하였다.
다중 기초자산 옵션 가격 결정을 위한 Black-Scholes 편미분방정식(PDE)을 풀기 위해, 방사형 기저함수 신경망(RBFNN)과 물리 정보 신경망(PINN)을 결합한 PIRBFNN을 제안한다. PDE 잔차 기반 적응적 뉴런 삽입 전략을 통해 비평활 payoff 조건을 포함한 다차원 옵션 모델을 효율적으로 처리하며, 단일 자산 유럽형 풋옵션, 이중 자산 교환 옵션, 4자산 바스켓 콜옵션 실험에서 유효성을 입증하였다.
유계 영역의 분수 라플라시안(fractional Laplacian) 문제를 위한 결정론적 텐서 신경망 부분공간 방법 fTNN을 제안하며, 기하 적응형 적분 분할·경계 특이성 인식 시행 함수, 시공간 분리 신경망과 교대식 부분공간 최적화를 결합한다. 분수 푸아송·이류-확산 방정식 벤치마크에서 기존 fPINN 및 Monte Carlo 대비 높은 정확도를 달성했고, 특히 강한 경계 특이성과 장시간 시뮬레이션에서 개선이 두드러진다.